读 Loop Engineering 有感——从 Prompt 到循环系统#

读自 Addy Osmani 的长文 + 公众号”学术AI大模型”的编译。这篇是我的摘录整理和个人思考。

核心论点#

Anthropic 的 Boris Cherny（Claude Code 创始人）说了一段话引起了我强烈共鸣：

“我不再提示 Claude 了，我有一堆循环在运行，它们才是在提示 Claude 并判断接下来该做什么。我的工作变成了写循环。”

这句话点破了一个我早就感觉到但没想清楚的事：好的 Prompt 工程师不是会写提示词的人，是会设计循环系统的人。

Addy Osmani 把完整 Loop 拆成五个部分，我用自己的理解重新表述一遍：

自动启动循环执行既定任务，发现问题入待处理队列，没问题自动归档。核心转变：我们不再是被动检查者。

给每个 Agent 独立工作空间，防止文件冲突和互相覆盖。多个 Agent 并行时各干各的，最后汇总。

Agent 每次新对话都会失忆，所以需要一套 Skills 沉淀项目规范、代码约定、踩坑记录。在 Loop 里尤其关键——因为 Loop 自动跑，我们不在场。

给 Agent 接上外部世界的能力——GitHub、数据库、Slack、飞书。让 Agent 能在真实环境中：发现问题 → 解决问题 → 通知人类。

写代码的 Agent 不能自己给自己打分，AI 对自己有天然的包容性。所以用另一个 Agent、不同模型、更苛刻的 Prompt 做 Reviewer。

Loop Engineering 的本质，是从”写提示词”转向”设计操作系统”。

Prompt 工程时代，我们的工作是一对一问答：写好 prompt → 看输出 → 不满意 → 改 prompt。 Loop Engineering 时代，我们的工作是搭建系统：定义目标 → 构建自动循环 → Agent 自己迭代 → 完成。

这意味着：

读这篇文章时我一直在对照自己的实践，发现很多点其实已经在做了：

Loop 组件	我的对应实践
定时任务	`schedule_task_*` 定时跑博客同步、自动任务
Skills	已安装的 20+ 个 Skills（self-improving-agent、interview-q-master 等）
子 Agent	`subagent_dispatch` 做并行任务 + 交叉验证
MCP	`mcp__*` 工具集成外部能力
记忆系统	MEMORY.md + daily short-memories + 向量检索

就差”工作树隔离”这块我还没用到，后续可以考虑在并发任务场景引入。

文章后半部分用文献检索做了完整的 Loop 实战演示，核心流程：

这套流程虽然针对论文检索，但骨架完全可以复用——换成”定时抓岗位信息 → 过滤 → Skills 沉淀筛选标准 → 存入 → 通知”就是一个 BOSS 直聘自动监控 Loop。

总的来说，这篇文章帮我厘清了一个方向：我们正在从”和 AI 对话”走向”设计 AI 系统”。我现在更理解为什么自己的工具链要按 Skills + 定时任务 + 子 Agent 来构建——这本身就是一个小型 Loop Engineering 实践。